中醫(yī)脈象智能分析方法研究述評(píng)

胡曉娟 ，崔驥 ，屠立平 ，姚興華 ，許家佗

1.上海中醫(yī)藥大學(xué)上海中醫(yī)健康服務(wù)協(xié)同創(chuàng)新中心，上海 201203； 2.上海中醫(yī)藥大學(xué)基礎(chǔ)醫(yī)學(xué)院，上海 201203

中醫(yī)脈診通過脈象“位、數(shù)、形、勢”四要素的重要屬性信息反映人體健康與疾病狀態(tài)[1]。脈搏搏動(dòng)圖（以下簡稱“脈圖”）是脈象的客觀化表現(xiàn)和客觀診斷依據(jù)，也是脈診現(xiàn)代化研究的代表性成果。中醫(yī)脈診現(xiàn)代化研究根據(jù)研究路線主要分為中醫(yī)脈診理論梳理、中醫(yī)脈診信號(hào)感知、中醫(yī)脈象智能分析、中醫(yī)智能脈診臨床應(yīng)用及各個(gè)環(huán)節(jié)所涉及的中醫(yī)脈診標(biāo)準(zhǔn)化研究。中醫(yī)脈診現(xiàn)代化研究已經(jīng)開展近半個(gè)世紀(jì)，取得一定進(jìn)展?；诿}圖的中醫(yī)脈象智能分析是指針對(duì)脈象傳感器獲取的信號(hào)進(jìn)行智能分析的過程，具體包括脈象信號(hào)預(yù)處理、特征識(shí)別、模式分類。目前中醫(yī)脈診信號(hào)感知涉及的脈象傳感器和采集設(shè)備主要集中于單點(diǎn)、單部采集，正在向陣列式的多點(diǎn)、多部脈圖方向發(fā)展?；谥嗅t(yī)脈診信號(hào)感知現(xiàn)狀，本文針對(duì)中醫(yī)脈象智能分析的研究進(jìn)展與發(fā)展趨勢，從單點(diǎn)、單部及多點(diǎn)、多部兩類脈圖進(jìn)行綜述。

1 單點(diǎn)、單部脈圖智能分析研究現(xiàn)狀

一個(gè)典型的脈圖及其常用參數(shù)見圖1[1]，主要由主波、重搏前波、重搏波組成。單點(diǎn)、單部脈圖智能分析主要包括數(shù)據(jù)預(yù)處理、特征識(shí)別和模式分類。

圖1 脈搏周期圖及常用參數(shù)特征

1.1 數(shù)據(jù)預(yù)處理

通過脈象傳感器和采集設(shè)備獲得的脈圖原始信號(hào)中存在的噪聲、漂移和異常值會(huì)影響特征提取效果。因此，幾種經(jīng)典濾波器如高通、平均平滑、小波濾波器及幾種濾波器級(jí)聯(lián)的濾波方法用于噪聲消除[2-4]。小波、經(jīng)驗(yàn)?zāi)B(tài)分析等方法用來處理由呼吸或抖動(dòng)產(chǎn)生的基線漂移，小波變換技術(shù)因其計(jì)算量少而效果佳的特點(diǎn)可更有效消除漂移。針對(duì)噪聲消除和漂移消除技術(shù)無法檢測和處理失真信號(hào)引起的異常值問題，研究者引入了基于動(dòng)態(tài)時(shí)間扭曲的方法，通過計(jì)算單個(gè)脈圖段與所有其他脈圖段的扭曲路徑距離來識(shí)別異常脈圖波形[4]。Garg等[5]通過曼哈頓距離和堪培拉距離獲得更好的異常值檢測，并提出實(shí)時(shí)脈圖信號(hào)質(zhì)量評(píng)估框架以估計(jì)波形異常。Jiang等[6]研究基于多傳感器融合的脈圖質(zhì)量評(píng)估框架。異常波處理是數(shù)據(jù)預(yù)處理的重要內(nèi)容，目前就如何區(qū)分身體功能異常和失真信號(hào)導(dǎo)致的波形異常的方法尚無有效解決方案，還需進(jìn)一步深入研究。

1.2 特征分析

單點(diǎn)、單部脈圖分析方法從時(shí)域、頻域到時(shí)頻分析，從線性分析到非線性分析，諸如小波變換、傅里葉變換、樣本熵等各種譜分析變換后的譜能量、諧波等[7-8]。時(shí)域分析通?；趩我恢芷诿}圖或幾個(gè)分段周期進(jìn)行平均，以獲得“平均脈圖周期”。研究者對(duì)脈圖提取的參數(shù)有差異，主要脈圖參數(shù)見表1[1，9-10]。

表1 主要脈圖參數(shù)

幾種主流時(shí)域特征提取方法及其優(yōu)缺點(diǎn)見表2。目前主波提取準(zhǔn)確性較高，但因波形復(fù)雜，重搏前波、重搏波在實(shí)際應(yīng)用中的檢測效果較差，提取上有一定難度，因此重搏前波、重搏波提取方法還需深入研究，以進(jìn)一步闡釋脈象的機(jī)制。

表2 脈圖時(shí)域特征提取方法分析

雖然當(dāng)前很多脈象智能分析避開了時(shí)域特征提取這一環(huán)節(jié)，但筆者認(rèn)為時(shí)域特征依舊是脈圖智能分析的基礎(chǔ)，尤其是主波的提取，不僅是脈型和疾病診斷的重要特征，也是脈搏波周期分段的依據(jù)，同時(shí)重搏前波和重搏波也代表重要的生理意義。

20世紀(jì)80年代研究者開始研究脈圖頻域、時(shí)頻和非線性特征識(shí)別方法。頻域特征反映脈圖整體特征，典型分析方法包括功率譜分析和倒譜分析。時(shí)頻分析是把一維信號(hào)或系統(tǒng)表示成一個(gè)時(shí)間和頻率的二維函數(shù)，時(shí)頻平面能描述出各個(gè)時(shí)刻的譜成分，時(shí)頻分析可從時(shí)間、頻域角度反映脈圖的特征。常用的方法有短時(shí)傅里葉變換和小波分析。非線性特征多用于臨床特定病證的脈圖分析[11]。典型的頻域、時(shí)頻分析及非線性分析研究見表3。

表3 不同脈圖特征分析方法比較

已有研究顯示，時(shí)域、視頻、非線性脈圖特征在臨床中有其各自的表征意義[12-13]，因此具體特征提取方法研究應(yīng)與臨床應(yīng)用結(jié)合，挖掘不同維度特征提取方法是后續(xù)研究的基礎(chǔ)。

1.3 模式分類

脈圖模式分類從早期的人工讀圖識(shí)別開始，發(fā)展至20世紀(jì)80年代后開始計(jì)算機(jī)識(shí)別脈圖。目前對(duì)于常見脈象的（平、弦、滑、遲、數(shù)、虛、實(shí)、浮、沉脈等）及高血壓等常見疾病的單點(diǎn)、單部脈圖分析已取得一定成果。

從句法分析指導(dǎo)的模糊識(shí)別和相似度度量方法[14-15]，到以支持向量機(jī)（SVM）為代表的傳統(tǒng)機(jī)器學(xué)習(xí)方法[16-19]，再到目前人工智能領(lǐng)域應(yīng)用較多的深度學(xué)習(xí)為方法?；诮y(tǒng)計(jì)的模式分類方法雖然依賴于輸入的特征，但其白盒子的特點(diǎn)便于理解和應(yīng)用，如張嘉琪[20]利用馬爾可夫決策與蒙特卡羅搜索算法設(shè)計(jì)脈象分類方案，可縮減訓(xùn)練時(shí)間和資源，并可保留完整的經(jīng)驗(yàn)軌跡，在提高脈象識(shí)別準(zhǔn)確率的同時(shí)，還可解決處理過程中的“黑箱”問題。深度學(xué)習(xí)在其處理和挖掘潛在特征方面有其優(yōu)勢，但制約深度學(xué)習(xí)方法實(shí)際應(yīng)用的一個(gè)因素在于小脈圖數(shù)據(jù)集。脈圖數(shù)據(jù)集通常不夠大，使其難以訓(xùn)練用于脈圖分析的魯棒模型。

人工智能技術(shù)的發(fā)展為中醫(yī)脈象智能分析提供機(jī)遇，醫(yī)生指下屬于無數(shù)傳感器的多源多部位信號(hào)，單點(diǎn)、單部信號(hào)單一、信息有限。因此，研究者們也在思考解決途徑，獲取多點(diǎn)、多部脈圖對(duì)其進(jìn)行智能分析或可部分解決此問題。多個(gè)脈診研究團(tuán)隊(duì)研發(fā)可采集寸、關(guān)、尺三部脈圖的裝置[21-23]。廣州、遼寧、北京等多地研究機(jī)構(gòu)從“三部九候”理論到現(xiàn)代化應(yīng)用等多個(gè)層面對(duì)多點(diǎn)、多部脈圖進(jìn)行了研究。

2 多點(diǎn)、多部脈圖智能分析研究現(xiàn)狀

研究者首先驗(yàn)證多點(diǎn)、多部脈圖的研究必要性；在此基礎(chǔ)上，多點(diǎn)、多部脈圖數(shù)據(jù)預(yù)處理多沿用單點(diǎn)、單部脈圖處理方法。

2.1 研究必要性

單點(diǎn)、單部脈圖分析從原始信號(hào)濾波、去基線、特征提取分析及模式分類均進(jìn)行了系統(tǒng)的研究，但目前與臨床應(yīng)用尚有一定距離。研究者就單部脈圖與多部脈圖的信息學(xué)差別進(jìn)行研究，結(jié)果顯示多部脈圖獲取的信息量較大；Li等[10]采用時(shí)頻、頻域、時(shí)頻分析等方法，研究了寸、關(guān)、尺位腕部脈象特征的相關(guān)性和差異性，利用每個(gè)位置的66個(gè)特征指標(biāo)，詳細(xì)計(jì)算了寸、關(guān)、尺位置及雙手之間的Spearman相關(guān)系數(shù)，從定量和定性兩方面研究了脈象采集位置之間的關(guān)系，結(jié)果表明，不同部位之間的特征有差異，為脈象的客觀診斷和脈象信息的全面揭示奠定了基礎(chǔ)。

2.2 特征識(shí)別

多點(diǎn)、多部脈圖特征識(shí)別以單點(diǎn)、單部脈圖為基礎(chǔ)，主要有2種分析思路。一種是先將多點(diǎn)、多部脈圖看作多通道單點(diǎn)脈圖，首先處理單點(diǎn)、單部脈圖特征，然后對(duì)多通道的特征進(jìn)行綜合分析。如Wang等[19]使用主成分分析和最小二乘法等方法結(jié)合時(shí)域特征分析寸、關(guān)、尺三部脈圖，并在脂肪肝和肝硬化數(shù)據(jù)上獲得了較好的效果。另一種思路則將多點(diǎn)多部看作整體，分析其整體特征。Chu 等[24]根據(jù)寸、關(guān)、尺三部時(shí)空特征，并比較浮、中、沉的不同，區(qū)分了健康弦脈和高血壓弦脈，Chung等[25]基于3×4的12 點(diǎn)陣脈象傳感器，利用離散模型和曲面擬合模型定義陣列式脈圖特征，比較三部一起按和關(guān)部單按脈圖的關(guān)系?；谇鏀M合定義5個(gè)陣列式脈圖參數(shù)（見圖2）：曲面峰值最大值（Vppmax）、脈長（Length）、脈寬（Width）、收縮期（AS）和舒張期（DS）面積。其中Vppmax定義為曲面擬合的最大值；Length、Width、AS、DS根據(jù)擬合后圖形曲面的坐標(biāo)軸定義。

圖2 離散模型與曲面擬合模型示意圖

上海中醫(yī)藥大學(xué)許家佗團(tuán)隊(duì)提出不同時(shí)刻的脈圖容積（APV）系列特征[26-28]，并通過健康與高血壓脈圖陣列脈搏波分析表明，APV能可靠地反映中醫(yī)脈搏特征。APV是指單位時(shí)間（1個(gè)周期）內(nèi)脈搏波波動(dòng)的平均體積。按照傳感器的位置組織成3*4列二維數(shù)組，數(shù)據(jù)F為12個(gè)點(diǎn)幅值高度，利用線性插值對(duì)3*4=12個(gè)點(diǎn)的F進(jìn)行插值到N*N，實(shí)驗(yàn)中取N=1 000，即3*4列二維數(shù)組變?yōu)榈? 000*1 000矩陣M，M可看成多個(gè)點(diǎn)幅值，目的是組成一個(gè)面（見圖3），不同時(shí)刻的體積，即X軸（脈寬）、Y軸（脈長）、Z軸（幅度）圍成的圖形體積[25]。

2.3 融合分析

多點(diǎn)、多部的脈圖模式分類主要以融合分析為主。從特征融合角度，Lu等[29]提出一種多尺度特征提取模型，該模型包含三部分：卷積神經(jīng)網(wǎng)絡(luò)用于提取單周期脈圖的空間特征和多周期脈圖的節(jié)奏特征；遞歸神經(jīng)網(wǎng)絡(luò)用于保留脈圖的長期依賴性特征；最后，使用推理層通過提取的特征進(jìn)行分類。該模型在連續(xù)無創(chuàng)血壓數(shù)據(jù)集上進(jìn)行心血管疾病分類精度達(dá)到96%。Lin等[30]將脈圖數(shù)據(jù)轉(zhuǎn)換為二維圖像，將獲得的特定特征值轉(zhuǎn)換為多維數(shù)組，并在SVM分類器中進(jìn)行訓(xùn)練，分析正常人和慢性病患者脈圖二維圖像的差異，分類精度高于基本時(shí)間特征，實(shí)驗(yàn)結(jié)果表明，使用特定特征挖掘算法進(jìn)行疾病檢測是可行的。Zhang等[18]基于三部脈圖提出基于圖的多通道特征融合方法，通過應(yīng)用堆疊稀疏自動(dòng)編碼器和小波散射生成2種不同的特征，將一個(gè)腕部脈圖樣本的每個(gè)特征視為與其相應(yīng)特征向量相關(guān)聯(lián)的節(jié)點(diǎn)，并用于構(gòu)建一個(gè)候選圖，通過開發(fā)圖卷積網(wǎng)絡(luò)，取得較好效果。Jiang等[31]提出決策級(jí)脈圖融合框架，使用Karhunen-Loeve多重廣義判別典型相關(guān)分析將脈圖多種特征融合到一個(gè)特征向量中，對(duì)每種類型的融合特征訓(xùn)練支持向量機(jī)分類器，框架采用決策級(jí)融合方法將這些分類器結(jié)合進(jìn)行脈搏信號(hào)分類，以解決異構(gòu)特征融合問題。

3 中醫(yī)脈象智能分析思路

多點(diǎn)、多部脈圖的預(yù)處理多沿用單點(diǎn)、單部分析方法；整體性特征分析較少，多點(diǎn)、多部脈圖智能化分析方法集中在融合方法本身，缺少理論指導(dǎo)下的融合分析方法。中醫(yī)生診脈時(shí)根據(jù)“三部九候”“位、數(shù)、形、勢”信息，獲得與疾病或狀態(tài)相關(guān)的主要信息，找到問題的主要矛盾，從寸關(guān)尺部位、浮中沉空間等多個(gè)方面綜合分析，得出最終的脈象分析結(jié)論。由于脈象分類具有“多維”“綜合”的特點(diǎn)，此過程的多維有效信息融合問題，尚未得到有效解決。符合臨床意義的脈象包含“位、數(shù)、形、勢”多維信息，目前基于脈圖的脈象分類研究主要集中在單點(diǎn)、單部脈圖，并且已取得進(jìn)展；但是，基于“三部九候”理論的脈象分類研究尚不成熟。目前“三部九候”脈圖分析方法大多因?yàn)樾畔⒕窒薅唵味哑觯茨芎芎玫靥幚砀鞑棵}圖間關(guān)系，無法滿足臨床脈診的全面需要[32]。

脈象全域特征（時(shí)間、節(jié)律、頻率及寸關(guān)尺部位、浮中沉空間、定性和定量的波形特征等）分析需要對(duì)各部脈圖進(jìn)行有效的融合處理以給出綜合決策，綜合決策不僅是信息的簡單堆積，其本質(zhì)是基于多維信息融合的屬性判別問題。融合分析方法可為解決脈象全域特征分析提供借鑒。在信息研究領(lǐng)域，融合是一種形式框架，其過程是用數(shù)學(xué)方法和技術(shù)工具綜合不同信息，目的是得到有用信息或進(jìn)行綜合的決策融合技術(shù)，可分為數(shù)據(jù)層、特征層和決策層融合。就多部脈圖而言，數(shù)據(jù)層融合是指將原始的時(shí)間序列數(shù)據(jù)直接作為融合方法輸入；特征層融合為提取各部脈圖特征作為輸入；決策層融合是將各部脈圖的分類結(jié)果作為融合方法的輸入，最后給出綜合結(jié)果。貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、SVM等機(jī)器學(xué)習(xí)方法[33]，根據(jù)其各自的優(yōu)勢都被應(yīng)用到數(shù)據(jù)層和特征層的融合分析中，用來挖掘多源信息的內(nèi)在聯(lián)系。而決策層的典型方法是適用于處理多源不確定性信息的D-S證據(jù)融合模型，其優(yōu)點(diǎn)是可將證據(jù)（輸入數(shù)據(jù)）之間細(xì)微的差別累加起來，當(dāng)這些差別累積到一定程度就能進(jìn)行區(qū)分，達(dá)到提高綜合決策準(zhǔn)確率的效果，但它需要知道每個(gè)輸入的先驗(yàn)概率，而大多數(shù)情況是不容易獲得的。

隨著人工智能和深度學(xué)習(xí)技術(shù)的發(fā)展[34-37]，深度神經(jīng)網(wǎng)絡(luò)也被應(yīng)用于信息融合領(lǐng)域。如Ren等[38]通過多通道深層神經(jīng)網(wǎng)絡(luò)進(jìn)行多源圖像數(shù)據(jù)的融合，取得了一定的效果，其結(jié)果也在標(biāo)準(zhǔn)數(shù)據(jù)集中進(jìn)行驗(yàn)證，同時(shí)表明深層神經(jīng)網(wǎng)絡(luò)在多信息融合分析方面的優(yōu)勢。金林鵬等[39]在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，通過構(gòu)建的導(dǎo)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)多導(dǎo)聯(lián)心電圖融合分析，通過大數(shù)據(jù)驗(yàn)證該模型有明顯優(yōu)勢。從信號(hào)角度，脈圖與心電圖都具有周期性的特征，且多部之間都具有相似的結(jié)構(gòu)。

基于此，本文提出以中醫(yī)脈診理論、信息融合理論為指導(dǎo)，關(guān)注顯性整體特征，利用深度學(xué)習(xí)挖掘隱性特征，構(gòu)建脈圖融合分析模型分析“位、數(shù)、形、勢”全域特征；構(gòu)建脈圖全域特征表達(dá)模型，從而找出表征脈象或身體狀態(tài)的主特征結(jié)合，并通過臨床驗(yàn)證的中醫(yī)脈象智能分析研究新思路（見圖4），以期提供多點(diǎn)、多部脈圖智能分析研究的可行途徑。

圖4 中醫(yī)脈象智能分析研究新思路

4 結(jié)語

中醫(yī)脈象智能化分析方法主要集中在單點(diǎn)、單部脈圖分析中，基于多點(diǎn)、多部脈圖的研究主要集中在多點(diǎn)、多部脈圖必要性分析、整體特征分析及融合分析方面，正在發(fā)展階段?，F(xiàn)階段脈診的現(xiàn)代化研究成果在實(shí)驗(yàn)室范圍均取得較好效果，但是在實(shí)際臨床中應(yīng)用較少。面向臨床應(yīng)用是脈象智能分析研究的重要內(nèi)容。本文以中醫(yī)“三部九候”脈診理論為指導(dǎo)，基于多點(diǎn)、多部脈圖數(shù)據(jù)，從“位、數(shù)、形、勢”角度利用深度學(xué)習(xí)與信息融合方法相結(jié)合進(jìn)行脈圖全域特征融合分析的新思路，為中醫(yī)脈圖智能化分析提供可行途徑，有望解決脈診現(xiàn)代化研究中關(guān)鍵技術(shù)問題，為實(shí)現(xiàn)“三部九候”中醫(yī)脈診的數(shù)據(jù)化、規(guī)范化、標(biāo)準(zhǔn)化提供方法學(xué)突破。